Descargado 134 veces
![Pasos
1er paso – hacer una análisis
bivariado con cada una de las
posibles variables involucradas
Las variables dicotómicas se
contrastan con Chi cuadrada
Las variables continuas se
contrastan con t de Student
La medida de asociación es
OR (Exp[β])
IC 95% (valor mínimo y
máximo)
Una vez identificadas las
variables que se asocian,
haremos el modelo
multivariado (preselección)
Eliminando las variables sin
relación
Eliminando las variables con
mayor p-valor
Se recomienda no eliminar
variables que tengan lógica
biológica (ej., edad) con el fin
de ajustar el modelo
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7](https://image.slidesharecdn.com/19-151010024918-lva1-app6891/85/19-Regresion-Logistica-7-320.jpg)
Subido porJuan de Dios Díaz Rosales
19. Regresión Logística
La regresión logística es un modelo utilizado en investigación clínica para predecir la probabilidad de que ocurra un evento, donde la variable dependiente es dicotómica. Las variables independientes pueden ser continuas, ordinales o dicotómicas, y la relación entre ellas debe ser clara para establecer factores de riesgo. Se recomienda realizar análisis bivariados iniciales y un modelo final que incluya variables con soporte estadístico, evitando la inclusión de variables cuya relación con la enfermedad no se conozca.
Más contenido relacionado
La actualidad más candente
Similar a 19. Regresión Logística
19. Regresión Logística
- 1. 19. Regresión logística INVESTIGACIÓNCLÍNICA UNIVERSIDAD AUTÓNOMA DE CIUDAD JUÁREZ
- 2. Regresión Logística Lavariable dependiente (Y) tiene 2 valores (dicotómica) Ausencia / presencia Mutuamente excluyente Las variables independientes (X) o predictoras son: Continuas (edad) Ordinales (estadios) Dicotómicas (si/no) Este modelo busca explicar o predecir la probabilidad de que ocurra o no un evento Modelo multivariado Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
- 3.
- 4. Condiciones Las variablesno aleatorias X (fijas) son posibles predictoras de Y La relación de las variables debe ser clara y permitir que se establezcan los factores de riesgo Es importante que no se deben utilizar variables en los casos en los que no se conoce su relación con la enfermedad Los valores de X (variables fijas) son independientes A La variable dependiente (Y) se le codifica como 0 o 1 Odds Ratio . Razón de Momios Es el logaritmo de la probabilidad de que el evento suceda entre la probabilidad de que no suceda Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
- 5. Condiciones Se puedehacer inicialmente un análisis BIVARIADO para observar las relaciones significativas El modelo final puede incluir todas las variables que demostraron relación con el resultado (Y) Es deseable que cada variable en el modelo cuente con un mínimo de 10-20 casos por cada evento Ej., Si tenemos 47 casos de neumonía en 121 pacientes, no deberíamos incluir en nuestro modelo más de 4 variables (47/10 = 4.7) Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
- 6. Condiciones Lo anteriorse llama eventos por variable Sirve para estabilizar los datos En caso de incluir más variables, los datos pueden volverse inestables y dar resultados falsos Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
- 7. Pasos 1er paso– hacer una análisis bivariado con cada una de las posibles variables involucradas Las variables dicotómicas se contrastan con Chi cuadrada Las variables continuas se contrastan con t de Student La medida de asociación es OR (Exp[β]) IC 95% (valor mínimo y máximo) Una vez identificadas las variables que se asocian, haremos el modelo multivariado (preselección) Eliminando las variables sin relación Eliminando las variables con mayor p-valor Se recomienda no eliminar variables que tengan lógica biológica (ej., edad) con el fin de ajustar el modelo Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
- 8. Berea-Baltierra et al.,Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7